Java-разработчик

Задачи
Мы команда продуктовых рекомендаций в экосистеме VK Музыки. Это высоконагруженная система, которая ежедневно формирует персонализированные подборки для десятков миллионов пользователей: миксы, плейлисты, блоки быстрого доступа, рекомендации артистов и треков.

У нас микросервисная архитектура — наша команда развивает сервисы candidate generation и ranking, от которых зависит качество рекомендаций всей платформы. Мы проектируем и поддерживаем пайплайны, которые связывают фичи пользователя, контекст прослушивания и ML-модели ранжирования в единый рекомендательный сервис. Отслеживаем и улучшаем качество рекомендаций через метрики (CTR, listening time, retention) и A/B-эксперименты. Это не CRUD-продукт. Большая часть задач — про то, как спроектировать сервис, который эффективно и предсказуемо интегрирует ML-модели (LambdaMART / CatBoost / нейросетевые ранкеры) в высоконагруженный production-пайплайн: низкая latency, масштабируемость, устойчивость к деградации моделей, корректная работа с фичами и кандидатами.

При этом мы совмещаем инженерную строгость с продуктовым мышлением: у нас есть прямая обратная связь от пользователей через метрики и эксперименты, и результаты работы быстро отражаются на реальных прослушиваниях. Мы не пишем код в стол — каждое изменение проверяется экспериментом и идёт от реальных проблем пользователей.

Требования
Умение самостоятельно вести разработку: от проработки идеи и технической декомпозиции до вывода решения в продакшен. Понимание принципов построения асинхронных микросервисных систем и отказоустойчивой архитектуры под высокую нагрузку. Уверенное владение Java + Spring, опыт работы с Kubernetes или аналогичной системой оркестрации. Готовность разбираться в специфике ML-инфраструктуры: как модели ранжирования интегрируются в продакшен-сервисы, какие у них требования к фичам, latency и мониторингу качества.

Будет плюсом
Опыт разработки рекомендательных/поисковых систем. Понимание принципов ранжирования (feature engineering, candidate generation, re-ranking) и базовое знакомство с ML-моделями (GBDT, эмбеддинги). Опыт эксплуатации высоконагруженных систем с real-time инференсом ML-моделей. Опыт проведения и анализа A/B-экспериментов.

Мы предлагаем
Гибкий график работы. Бонусы и скидки от партнеров. Офис в центре города. ДМС. Профессиональная команда.